集成神经网络与自适应算法的分数阶滑模控制

针对被控对象的参数时变和外部扰动问题,本文融合神经网络的万能逼近能力和自适应控制技术,并结合分数阶微积分理论,提出了基于神经网络和自适应控制算法的分数阶滑模控制策略.本文采用等效控制的方法设计滑模控制律,并利用神经网络的万能逼近能力估测控制律的变化,结合自适应控制算法和分数阶微积分理论抑制传统滑模控制系统的抖震,同时根据Lyapunov稳定性理论分析了系统的稳定性,最后给出了实验结果.实验结果表明,本文提出的基于神经网络和自适应控制算法的分数阶滑模控制系统,能保持滑模控制器对系统外部扰动和参数变化鲁棒性的同时,也能有效地抑制抖震,使得系统获得较高的控制性能.     

一种混合神经网络飞行控制方法研究

讨论了一种基于神经网络控制的飞行控制方法。针对复杂非线性系统难以建立精确模型的特点,利用神经网络的任意非线性逼近能力进行控制器设计,首先应用神经网络在线辨识对象逆模型,进行控制系统反馈线性化;接着利用circle theorem（圆定理）设计线性PID鲁棒控制器,控制系统输出跟随系统输入,然后应用神经网路自适应逆方法设计混合控制器,最后以F-8飞机纵向飞行控制模态为研究对象进行仿真。仿真结果表明,该控制方法具有较强的自适应和抗干扰能力。     

基于PLC的神经网络PID控制器设计

为了改善工业控制系统的动态调节品质,运用BP神经网络控制算法设计了一种神经网络PID控制器,并给出了基于西门子PLC的神经网络PID控制器的实现方法,仿真和实验结果表明,控制器在改善工业控制系统动态行为上具有突出的优势,对工程应用有实用价值.     

一种多通道自适应型控制器的设计及应用

针对冶金行业电磁搅拌控制系统具有多通道、自适应控制任务的要求,给出一种多通道自适应型控制器的设计方法,该方法基于神经网络算法、汇编语言环境的面向对象编程,系统结构简洁、代码执行效率高,使多通道控制器既具有自学习和自适应控制能力,又能满足运动控制的实时性要求。     

静电悬浮的NARX网络自适应逆控制

静电悬浮控制系统中存在建模不准确及对象扰动,传统控制器只能在动态控制精度和扰动消除性能之间折衷;为了克服其对控制器精度的影响,研究了带扰动消除的自适应逆控制算法.以非线性自回归动态神经网络进行正模型、逆模型以及扰动消除控制器的实时辨识,利用基于遗传算法的改进粒子群算法进行神经网络的更新,以提高自适应收敛速度和精度.设计了基于DSP与PC的仿真环境,分别部署静电悬浮虚拟被控对象和自适应逆控制算法,实现对控制算法的实时验证.结果表明所设计的控制结构与算法可以实现对静电悬浮的稳定控制与扰动消除.利用PC和相应的I/O接口,以及所部署的实时控制算法可以实现快速控制原型,为控制器的工程实现提供基础.     

基于数据融合的自适应神经网络模糊控制系统设计

基于数据融合的思想，提出一种非线性系统的自适应神经网络模糊控制器的设计方法。该方法利用数据融合技术降低了模糊控制器的输入维数，简化了模糊控制器的设计。用自适应神经模糊推理系统的神经网络自学习功能完成模糊控制器的设计。仿真结果表明，自适应神经网络模糊控制系统性能优于采用普通的模糊控制器的情况，为数据融合与智能系统技术在非线性系统中的应用作了有益的探索.     

一种液压驱动机械手的神经网络学习控制结构

针对二自由度机械手的控制问题,本文提出了一种基于函数联接神经网络的反馈学习控制器 ,提高了控制系统的自适应速度,改善了系统的起始特性．为了在改善系统自适应速度的同 时增强系统的稳态特性,本文又提出了基于函数联接神经网络的串级学习控制算法．仿真和 实验都证明了控制方法的优越性．     

具有H_∞性能的机械手神经自适应跟踪控制

针对非线性不确定机械手系统的轨迹跟踪控制问题,提出一种具有H∞性能的神经自适应控制算法;该算法为机械手系统分别设计了主控制器和监督控制器;主控制器由神经网络控制为基础,基于滑模控制原理得到神经网络权值的自适应律;基于李亚普诺夫稳定性理论和鲁棒控制设计的监督控制器,补偿自适应神经网络对系统不确定项学习的误差,同时使系统具有H∞性能;通过二自由度机械手模型进行仿真实验,仿真结果验证了方法的有效性。     

一种基于双神经元自适应预估控制的静态解耦系统

当前在多变量系统的解耦控制的实际应用中,存在对象精确模型的依赖型问题,造成动态控制效果不够理想.大规模神经网络等技术控制算法过于复杂,在很多程度上影响了控制的可实现性和实时性.提出了一种基于双神经元自适应预估控制的静态解耦控制系统.详细阐述了所采用的基于神经元的自适应预估控制算法.使用一个神经元作为回.路的自适应控制器...     

低轨无拖曳卫星的自适应神经网络控制器设计

低轨无拖曳(Drag-free)卫星为相对论的验证、引力波探测以及地球重力场的测量提供了低干扰的试验环境。目前已有的工作主要对无拖曳卫星模型进行线性化,然后进行控制器设计,此种方法忽略了无拖曳卫星控制系统的非线性环节,因此降低了控制器的精度。本文将基于Lyapunov稳定性理论和自适应反步控制,直接针对无拖曳卫星控制系统的非线性模型进行分析,设计一种自适应神经网络控制器。针对系统建模过程中的线性化和未建模动态,利用RBF神经网络对非线性项进行拟合和补偿,建立自适应神经网络权值自适应律,保证闭环系统具有较好的鲁棒稳定性能和抗干扰性能,实现无拖曳卫星控制系统的设计要求。仿真结果表明控制器的有效性,满足了无拖曳卫星的控制精度要求。     

基于神经网络的多变量协调预估控制器

针对操作变量多于被控变量的“胖”系统，提出了一种多变量协调控制系统，本控制系统在保证对关键变量实施定点控制的同时，还尽可能将操作变量协调至理想操作区，以达到优化操作变量的目的，文中将生产过程中复杂的操作要求和优化规则归纳整为一系列多变量优化协调逻辑，并进而用人工神经网络予以实现，用预估控制技术实现控制。这种协调控制器结构充分发挥了神经元网络和预估控制算法两方面的优势。在石油分馏塔上实现的多变量协调     

改进Smith控制与RBF单神经元PID的换热器控制系统

为了高效控制工质出口温度,维持换热器稳定运行,针对Smith预估控制算法及径向基函数(RBF)神经网络辨识单神经元比例-积分-微分(PID)控制算法特点,提出了Smith控制算法和RBF神经网络辨识单神经元PID相结合的控制策略,对Smith控制算法在结构上进行了改进,以提高RBF神经网络辨识单神经元PID控制的抗干扰能力,减少Smith控制算法对模型的依赖程度.仿真分析表明:应用于换热器工质出口温度控制系统,改进算法控制性能显著优于其它控制方法,抗干扰能力得到了大幅提高.     

基于RBFNN的非线性多变量系统的控制策略研究

针对非线性多变量大时滞系统,研究了一种基于神经网络的智能控制策略。它以经典的PID控制为基础,通过神经网络参数整定,用于多变量系统的解耦控制;用预测模型超前预测系统输出,以克服系统的时滞。该文给出了网络的结构和算法,对一组二变量强耦合时变系统进行了仿真。仿真结果表明,控制器能根据系统运行状态获得对应于某种最优控制律下的PID参数,解耦后的系统具有较好的动态和静态性能。该方法具有控制精度高、响应速度快的优点,并具有较强的自适应性和鲁棒性。     

A Neural Network Adaptive Controller for End-effector Tracking of Redundant Robot Manipulators

In this paper we propose a neural network adaptive controller to achieve end-effector tracking of redundant robot manipulators. The controller is designed in Cartesian space to overcome the problem of motion planning which is closely related to the inverse kinematics problem. The unknown model of the system is approximated by a decomposed structure neural network. Each neural network approximates a separate element of the dynamical model. These approximations are used to derive an adaptive stable control law. The parameter adaptation algorithm is derived from the stability study of the closed loop system using Lyapunov approach with intrinsic properties of robot manipulators. Two control strategies are considered. First, the aim of the controller is to achieve good tracking of the end-effector regardless the robot configurations. Second, the controller is improved using augmented space strategy to ensure minimum displacements of the joint positions of the robot. Simulation examples are also presented to verify the effectiveness of the proposed approach.     

基于复合控制的摆镜伺服系统研究

针对摆镜伺服系统的高精度要求,结合重复控制和神经网络PID控制的设计思想,提出了一种新型的复合控制方案.该控制方案采用重复控制改善系统的稳态特性和增强系统克服同频率扰动的能力,并采用BP神经网络PID控制增强系统抵抗参数变化和各种非线性不确定扰动的能力,改善系统的动态特性.试验结果表明,该方案使伺服系统获得了良好的动态和稳态性能,很好地改善了系统的跟踪性能,有效地提高了摆镜扫描的速度稳定性,抑制了电机的振荡现象.     

非线性系统的蚁群优化预测PID控制

针对非线性、时变及大惯性系统的控制问题,提出了一种基于蚁群算法的预测PID控制算法。该算法以神经网络作为预测模型,将预测控制和PID控制相结合,并用蚁群算法在线优化控制器参数,其中以常规的Ziegler-N ichols方法整定的控制器参数为基础,选取蚁群优化变量的动态搜索区间。该算法考虑了控制能量受限情况下,非线性系统的预测控制问题。计算机仿真结果表明,该非线性控制方案具有较好的鲁棒性,相对传统PID控制策略还表现出了良好的动态性能,能够满足对再热汽温对象的控制要求。     

基于快速学习型神经网络的机器人运动学模型辨识及运动控制

该文提出一种快速学习型神经网络，它不仅符合生物神经网络的基本特征，而且算法简单，学习收敛速度快，有线性，非线性系统辨识精度高优异特点。因此，此类神经网络非常适合于机器人运动学模型辨识及运动控制，仿真结果表明，基于快速学习型神经网络进行机械手运动学模型辨识有运动控制是合适的。     

Adaptive recurrent neural network control of uncertain constrained nonholonomic mobile manipulators

In this article, motion/force control problem of a class of constrained mobile manipulators with unknown dynamics is considered. The system is subject to both holonomic and nonholonomic constraints. An adaptive recurrent neural network controller is proposed to deal with the unmodelled system dynamics. The proposed control strategy guarantees that the system motion asymptotically converges to the desired manifold while the constraint force remains bounded. In addition, an adaptive method is proposed to identify the contact surface. Simulation studies are carried out to verify the validation of the proposed approach.     

弹药自动装填机器人控制系统开发平台设计

针对火炮弹药自动装填机器人的工作特点和工作环境,设计了一种具有交互式人机界面的机器人控制系统,详细介绍了整个控制系统的组成部分及相应的功能;该控制系统可以实现对各种机器人控制算法、运动技术以及监控函数等进行全面测试,便于开发新的控制策略,缩短火炮弹药自动装填机器人项目的研制周期.     

电力系统一二次调频的反馈微分博弈协同控制

风能等间歇式能源并网将是未来电网发展趋势,其输出功率的波动将加剧一二次调频之间的冲突反调问题.本文将反馈微分博弈应用于电力系统频率控制中,建立起一二次调频的协同控制模型,并考虑调速器死区、控制动作幅值限制、机组爬坡速率约束等工程实际因素,用协同进化算法求得该模型的反馈纳什均衡解.用仿真验证了该方法在满足各种工程因素下有效解决一二次调频的冲突反调问题,充分挖掘了系统蕴藏的调频能力.